Декодування AI AGENT: інтелектуальна сила, що формує нову економічну екологію майбутнього

1. Загальний фон

1.1 Вступ: "Нові партнери" епохи розумних технологій

Кожен криптовалютний цикл приносить нову інфраструктуру, яка сприяє розвитку всієї індустрії.

• У 2017 році зростання розумних контрактів сприяло бурхливому розвитку ICO.
• 2020 рік, ліквідні пул DEX принесли літній бум DeFi.
• У 2021 році велика кількість NFT-серіалів стала знаковою подією, що ознаменувала прихід епохи цифрових колекцій.
• У 2024 році видатні результати деякої платформи запуску стали лідерами хвилі memecoin та пов'язаних платформ.

Потрібно підкреслити, що старт цих вертикальних областей зумовлений не лише технологічними інноваціями, а й ідеальним поєднанням моделей фінансування та циклів бичачого ринку. Коли можливості зустрічаються з відповідним часом, це може призвести до величезних змін. Заглядаючи у 2025 рік, очевидно, що новими сферами циклу 2025 року стане AI-агент. Ця тенденція досягла піку в жовтні минулого року, коли 11 жовтня 2024 року був запущений певний токен, а 15 жовтня його ринкова капіталізація досягла 150 мільйонів доларів. Вже 16 жовтня певний протокол представив Luna, вперше з'явившись у образі IP сусідської дівчини у прямій трансляції, що спровокувало вибух у всій індустрії.

Отже, що таке AI Agent?

Усі, напевно, знайомі з класичним фільмом «Resident Evil», де вражає система ШІ Червона Королева. Червона Королева — це потужна система ШІ, яка контролює складні об'єкти та системи безпеки, здатна самостійно сприймати навколишнє середовище, аналізувати дані та швидко реагувати.

Насправді, AI Agent має багато спільних функцій з Червоною Королевою. AI Agent у реальному житті певною мірою виконує подібну роль, вони є "розумними охоронцями" сучасних технологій, які через автономне сприйняття, аналіз і виконання допомагають підприємствам і особам справлятися зі складними завданнями. Від безпілотних автомобілів до розумних клієнтських послуг, AI Agent глибоко проникли в різні галузі, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелектуальні агенти, як невидимі члени команди, мають всебічні можливості від сприйняття середовища до виконання рішень, поступово проникаючи в різні галузі, сприяючи подвійне підвищення ефективності та інновацій.

Наприклад, AI AGENT може бути використаний для автоматизації торгівлі, базуючись на даних, зібраних з платформ даних або соціальних платформ, в реальному часі управляти портфелем і виконувати угоди, постійно оптимізуючи власну продуктивність в процесі ітерацій. AI AGENT не є єдиною формою, а поділяється на різні категорії в залежності від конкретних потреб криптоекосистеми:

1. Виконавчий AI Агент: зосереджується на виконанні конкретних завдань, таких як торгівля, управління портфелем або арбітраж, мета якого - підвищити точність операцій та зменшити необхідний час.

2. Творчий AI агент: для створення контенту, включаючи текст, дизайн і навіть музичне творіння.

3. Соціальний AI агент: як лідер думок у соціальних мережах, взаємодіяти з користувачами, будувати спільноту та брати участь у маркетингових активностях.

4. Координаційний AI агент: координація складних взаємодій між системами або учасниками, особливо підходить для інтеграції багатьох ланцюгів.

У цьому звіті ми детально розглянемо походження, сучасний стан та широкі можливості застосування AI Agent, проаналізуємо, як вони перетворюють галузевий ландшафт, та ознайомимося з їхніми майбутніми тенденціями розвитку.

1.1.1 Історія розвитку

Розвиток AI AGENT демонструє еволюцію AI від базових досліджень до широкого застосування. У 1956 році на конференції в Дартмуті термін "AI" був вперше запропонований, заклавши основи для AI як незалежної області. У цей період дослідження AI в основному зосереджувалися на символічних методах, що призвело до появи перших AI програм, таких як ELIZA( чат-бот) та Dendral( експертна система в галузі органічної хімії). Цей етап також свідчив про перше впровадження нейронних мереж та початкове дослідження концепції машинного навчання. Але дослідження AI в цей час серйозно обмежувалися можливостями обчислювальної техніки. Дослідники стикалися з великими труднощами в розробці алгоритмів обробки природної мови та імітації людських когнітивних функцій. Крім того, у 1972 році математик Джеймс Лайтхілл подав звіт про стан досліджень AI у Великобританії, який був опублікований у 1973 році. Звіт Лайтхілла в основному висловлював повний песимізм щодо досліджень AI після початкового періоду захоплення, що призвело до великої втрати довіри до AI з боку академічних установ(, включаючи фінансові організації). Після 1973 року фінансування досліджень AI різко зменшилось, і галузь AI пережила першу "зиму AI", зростаючи сумнів у потенціалі AI.

У 1980-х роках розвиток і комерціалізація експертних систем змусили глобальні компанії почати використовувати технології ШІ. У цей період було досягнуто значного прогресу в машинному навчанні, нейронних мережах та обробці природної мови, що сприяло появі більш складних застосувань ШІ. Вперше введення автономних транспортних засобів, а також розгортання ШІ в таких галузях, як фінанси та охорона здоров'я, також стали ознакою розширення технологій ШІ. Але в кінці 1980-х — на початку 1990-х років, внаслідок обвалу попиту на спеціалізоване апаратне забезпечення ШІ, галузь ШІ пережила другий "зимовий період ШІ". Крім того, як розширити масштаби систем ШІ та успішно інтегрувати їх у реальні застосування, все ще залишається постійним викликом. Проте, тим часом, у 1997 році комп'ютер IBM Deep Blue переміг чемпіона світу з шахів Гарі Каспарова, що стало знаковою подією в здатності ШІ вирішувати складні проблеми. Відродження нейронних мереж і глибокого навчання заклало основу для розвитку ШІ наприкінці 1990-х років, зробивши ШІ невід’ємною частиною технологічного ландшафту та почавши впливати на повсякденне життя.

На початку XXI століття, прогрес у обчислювальних можливостях сприяв виникненню глибокого навчання, а такі віртуальні помічники, як Siri, продемонстрували практичність ШІ у споживчих застосуваннях. У 2010-х роках агенти з підкріпленням та генеративні моделі, такі як GPT-2, досягли подальших проривів, піднявши діалоговий ШІ на новий рівень. У цьому процесі поява великих мовних моделей (Large Language Model, LLM) стала важливим етапом у розвитку ШІ, особливо випуск GPT-4, який вважається переломним моментом у сфері агентів ШІ. З моменту випуску серії GPT певною компанією, великомасштабні моделі з попередньою підготовкою, що мають десятки або навіть сотні мільярдів параметрів, продемонстрували здатність до генерування і розуміння мовлення, що перевищує традиційні моделі. Їхні видатні результати в обробці природної мови дозволили агентам ШІ демонструвати логічно чіткі та структуровані можливості взаємодії через генерування мови. Це дозволило агентам ШІ застосовуватися в таких сценаріях, як чат-асистенти, віртуальні кол-центри тощо, і поступово розширюватися на більш складні завдання (, такі як бізнес-аналіз, креативне написання ).

Здатність до навчання великих мовних моделей надає AI-агентам вищу автономність. Завдяки технології зміцнюючого навчання (Reinforcement Learning), AI-агенти можуть постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на деяких платформах з підтримкою AI, AI-агенти можуть коригувати стратегію поведінки відповідно до вводу гравця, що дійсно реалізує динамічну взаємодію.

Від ранніх систем правил до великих мовних моделей, представлених GPT-4, історія розвитку AI-агентів є історією постійного подолання технологічних меж. Поява GPT-4, безсумнівно, є важливою віхою на цьому шляху. З подальшим розвитком технологій AI-агенти стануть ще більш інтелектуальними, ситуаційними та різноманітними. Великі мовні моделі не лише наділили AI-агентів "інтелектом", але й надали їм можливість для міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи будуть постійно з'являтися, продовжуючи сприяти впровадженню та розвитку технології AI-агентів, ведучи до нової ери досвіду, що керується AI.

1.2 Принцип роботи

AIAGENT відрізняються від традиційних роботів тим, що вони можуть з часом навчатися і адаптуватися, приймаючи детальні рішення для досягнення цілей. Їх можна розглядати як технічно розвинених, що постійно розвиваються учасників у сфері криптовалют, здатних самостійно діяти в цифровій економіці.

Основою AI AGENT є його "інтелект"------тобто, шляхом алгоритмів симулювати інтелектуальну поведінку людини або інших живих істот для автоматизації вирішення складних задач. Робочий процес AI AGENT зазвичай слідує наступним етапам: сприйняття, міркування, дія, навчання, коригування.

1.2.1 Модуль сприйняття

AI AGENT взаємодіє з зовнішнім середовищем через модуль сприйняття, збираючи інформацію про навколишнє середовище. Функції цієї частини подібні до людських органів чуття, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає в себе виділення значущих ознак, розпізнавання об'єктів або визначення відповідних сутностей у середовищі. Основне завдання модуля сприйняття полягає в перетворенні сирих даних на змістовну інформацію, що зазвичай включає в себе наступні технології:

• Комп'ютерне бачення: використовується для обробки та розуміння зображень і відео даних.
• Природна мова обробка ( NLP ): допомога AI AGENT розуміти та генерувати людську мову.
• Злиття датчиків: об'єднання даних з кількох датчиків в єдине уявлення.

1.2.2 Модуль інференції та ухвалення рішень

Після сприйняття середовища, AI AGENT повинен приймати рішення на основі даних. Модуль міркування та прийняття рішень є "мозком" всієї системи, він проводить логічне міркування та розробку стратегій на основі зібраної інформації. Використовуючи великі мовні моделі як оркестратори або міркувальні двигуни, розуміти завдання, генерувати рішення та координувати спеціалізовані моделі для таких функцій, як створення контенту, обробка зображень або рекомендовані системи.

Цей модуль зазвичай використовує такі технології:

• Правила двигун: прості рішення на основі заданих правил.
• Моделі машинного навчання: включають дерева рішень, нейронні мережі тощо, призначені для складного розпізнавання шаблонів і прогнозування.
• Посилене навчання: дозволяє AI АГЕНТУ постійно оптимізувати стратегії прийняття рішень через спроби та помилки, адаптуючись до змінного середовища.

Процес інтерпретації зазвичай включає кілька етапів: спочатку оцінка середовища, потім обчислення кількох можливих варіантів дій на основі мети, і нарешті вибір оптимального варіанту для виконання.

1.2.3 Виконавчий модуль

Виконавчий модуль є "руками та ногами" AI AGENT, який втілює рішення модульного міркування в дії. Ця частина взаємодіє з зовнішніми системами або пристроями для виконання визначених завдань. Це може включати фізичні операції (, такі як дії роботів ), або цифрові операції (, такі як обробка даних ). Виконавчий модуль залежить від:

• Система керування роботами: використовується для фізичних операцій, таких як рухи роботизованої руки.
• Виклик API: взаємодія з зовнішніми програмними системами, такими як запити до бази даних або доступ до мережевих сервісів.
• Автоматизація управління процесами: у корпоративному середовищі, за допомогою RPA( роботизованої автоматизації процесів) виконуються повторювані завдання.

1.2.4 Модуль навчання

Модуль навчання є основною конкурентною перевагою AI AGENT, він дозволяє агенту ставати розумнішим з часом. Постійне вдосконалення за допомогою зворотного зв'язку або "даних маховика" повертає дані, згенеровані під час взаємодії, в систему для покращення моделі. Ця здатність поступово адаптуватися і ставати ефективнішою з часом надає бізнесу потужний інструмент для покращення прийняття рішень та операційної ефективності.

Модулі навчання зазвичай вдосконалюються наступними способами:

• Надзорне навчання: використання позначених даних для навчання моделі, щоб AI AGENT міг точніше виконувати завдання.
• Безнаглядне навчання: виявлення потенційних патернів з ненадмічених даних, що допомагає агенту адаптуватися до нового середовища.
• Постійне навчання: оновлюйте модель за допомогою даних в реальному часі, щоб підтримувати продуктивність агента в динамічному середовищі.

1.2.5 Реальний зворотний зв'язок та коригування

AI AGENT оптимізує свою продуктивність через безперервний цикл зворотного зв'язку. Результати кожної дії фіксуються та використовуються для коригування майбутніх рішень. Ця замкнута система забезпечує адаптивність і гнучкість AI AGENT.

1.3 Стан ринку

1.3.1 Стан галузі

AI AGENT стає центром уваги на ринку, завдяки своєму величезному потенціалу як споживчого інтерфейсу та автономного економічного агента, приносячи зміни в кілька галузей. Як і потенціал L1 блочних просторів у попередньому циклі, AI AGENT також демонструє таку ж перспективу в цьому циклі.

Згідно з останнім звітом Markets and Markets, ринок AI Agent, як очікується, зросте з 5,1 мільярда доларів у 2024 році до 47,1 мільярда доларів у 2030 році, з річною складною швидкістю зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent у різних галузях, а також попит на ринку, що виникає внаслідок технологічних інновацій.

Великі компанії також значно збільшили свої інвестиції в відкриті фреймворки проксі. Розробка таких фреймворків, як AutoGen, Phidata та LangGraph у певній компанії, стає дедалі активнішою, що свідчить про те, що AI AGENT має більший ринковий потенціал за межами криптосфери, TAM також у